FDR校正的稀疏典型相关分析及其在影像基因组学中的应用
统计方法学
2018-06-26 v4 定量方法
应用统计
机器学习
摘要
减少错误发现的数量目前是生命科学中最紧迫的问题之一。这对于神经影像学和基因组学中的许多应用尤其重要，因为其中的数据集通常是高维的，即解释变量的数量超过样本量。错误发现率（FDR）是一个可用于解决该问题的准则。因此，它作为检验多重假设的工具已广受欢迎。典型相关分析（CCA）是一种统计技术，用于理解在同一组样本上收集的两组测量值的交叉相关（例如，同一精神疾病患者的脑成像和基因组数据），而稀疏CCA将经典方法扩展到高维设置。在此我们提出一种将FDR概念应用于稀疏CCA的方法，以及一种控制FDR的方法。所提出的FDR校正直接影响解的稀疏性，使其适应未知的真实稀疏水平。理论推导和模拟研究均表明，我们的过程确实将典型向量的FDR保持在用户指定的目标水平以下。我们将所提方法应用于来自费城神经发育队列的影像基因组学数据集。我们的结果将情绪识别任务期间脑活动衍生的脑连接图谱（通过功能性磁共振成像（fMRI）测量）与相应受试者的基因组数据联系起来。
引用
@article{arxiv.1705.04312,
title = {FDR-Corrected Sparse Canonical Correlation Analysis with Applications to Imaging Genomics},
author = {Alexej Gossmann and Pascal Zille and Vince Calhoun and Yu-Ping Wang},
journal= {arXiv preprint arXiv:1705.04312},
year = {2018}
}
备注
- Clarification of the definition of FDR for CCA in Section III; results unchanged. - Corrected typos. - Added IEEE copyright notice for the accepted article